通义千问需通过明确角色、任务、格式三要素，叠加精准限定与示例锚定，才能输出具体答案。如“资深编程讲师向零基础大学生解释for循环”，并配生活类比与可运行代码，模型即知讲什么、对谁讲、如何呈现。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
让通义千问的回答更具体，关键不在“多说”，而在“说准”——用结构、限定和示例把模型的注意力锚定在你真正需要的信息上。
明确角色+任务+输出格式
三要素缺一不可。光说“介绍Python”太宽泛；改成“你是一位有5年教学经验的编程讲师，请用通俗语言向零基础大学生解释Python中for循环的作用，并配一个生活类比和一段可运行代码”，模型立刻知道该讲什么、对谁讲、怎么呈现。
- 角色决定语气和深度（如“资深HR”“初中物理老师”）
- 任务要动词开头（“列出”“对比”“改写为”“生成3个版本”）
- 格式强制结构化（“用表格呈现”“分三点说明”“首句总结核心观点”）
加入精准限定条件
模糊引发泛泛而谈，限定催生细节。不要只说“写一份合同”，而要框定边界：
- 对象：适用于北京地区自由职业者与小型设计公司的服务协议
- 场景：首次合作、项目周期≤2个月、预付款比例30%
- 排除项：不含知识产权转让条款，不涉及境外支付
- 风格：法律效力完整，但避免冗长条文，关键条款加粗提示
用示例锚定输出样式
模型对“像这样”的理解远强于“请专业一点”。直接给1–2个微型范例，比十句描述更有效：
- 错误示范：“帮我润色这句话” → 模型可能删减、扩写或换风格，不可控
- 正确做法：“将以下句子润色为简洁有力的职场邮件用语：原句：‘这个事情我还在弄，可能要晚一点交’ → 改写后：‘材料将于明早10点前发送给您，感谢耐心等待。’”
- 再补一句：“请按同样风格处理下一句：……”
分步提问+引用前序结论
复杂需求拆成递进小步，每步都带上下文。比如做市场分析：
- 第一步：“列出2024年中国新能源汽车销量TOP5品牌及同比增幅（数据来源需注明）”
- 第二步：“基于上一步结果，对比比亚迪与理想汽车在20万–30万元价格带的销量占比差异，并分析可能原因”
- 第三步：“根据前述分析，为一家新入场的智能座舱供应商设计三条差异化推广话术”
每步都复用前序结论，模型不会“忘掉重点”，输出自然更聚焦、更连贯。
